• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2019년도 춘계학술발표대회
• /
• pp.390-393
• /
• 2019

은행과 신용카드 업계에 있어, 고객의 다음 신용 카드 사용처(다음 방문 가맹점)를 예측할 수 있다면 고객의 라이프 스타일을 파악 할 수 있으며, 여러 프로모션과 비즈니스 기회를 포착할 수 있어 매출 증대를 꾀할 수 있다. 우리가 제안하는 모델은 고객이 다음에 방문할 가맹점을 예측/추천하는 것을 목표로 한다. 가맹점 방문과 같이 순차적으로 발생하는 이벤트에는 노이즈가 있을 수 있다. 이 노이즈를 제거하기 위해 두 개의 신경망을 이용한 DoubleDNN을 제안한다. 실험은 BC카드사의 데이터분포를 따르는 인공 생성된 신용카드 사용내역 데이터를 이용하였으며, DoubleDNN은 기존의 다른 추천 모델보다 좋은 성능을 보였다.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2020년도 춘계학술발표대회
• /
• pp.577-579
• /
• 2020

최근 인공지능을 활용한 대기질 예측 모델 개발 연구가 활발히 진행 중이다. 특히 시계열 데이터 기반 예측 시스템 개발에 장점을 가진 DNN, LSTM 알고리즘을 활용한 다양한 예측 시스템이 제안되고 있다. 본 논문에서는 LSTM을 활용한 모델과 Fully-Connected 기반의 DNN 모델을 활용한 대기질 예측 시스템을 개발하고 두 모델의 예측 정확도를 비교한다. 성능 평가 결과를 보면 LSTM 모델이 DNN 모델보다 모든 면에서 좋은 결과를 보여줬다. 그리고 이산화황(SO₂), 이산화질소(NO₂), 초미세먼지 (PM_2.5)에 대해서는 그 차이가 두드러지게 나타났다.

• 한국건축시공학회:학술대회논문집
• /
• 한국건축시공학회 2023년도 봄 학술논문 발표대회
• /
• pp.179-180
• /
• 2023

In this study, the performance of the prediction model was compared and analyzed using DNN and LSTM learning models to predict the amount of dry shrinkage of the concrete. As a result of the analysis, DNN model had a high error rate of about 51%, indicating overfitting to the training data. But, the LSTM learning model showed a relatively higher accuracy with an error rate of 12% compared to the DNN model. Also, the Pre_LSTM model which preprocess data, showed the performance with an error rate of 9% and a coefficient of determination of 0.887 in the LSTM learning model.

• 한국멀티미디어학회논문지
• /
• 제24권10호
• /
• pp.1414-1424
• /
• 2021

In this paper, the importance of input factors of a DNN (Deep Neural Network) PM_2.5 forecasting model using LRP(Layer-wise Relevance Propagation) is analyzed, and forecasting performance is improved. Input factor importance analysis is performed by dividing the learning data into time and PM_2.5 concentration. As a result, in the low concentration patterns, the importance of weather factors such as temperature, atmospheric pressure, and solar radiation is high, and in the high concentration patterns, the importance of air quality factors such as PM_2.5, CO, and NO₂ is high. As a result of analysis by time, the importance of the measurement factors is high in the case of the forecast for the day, and the importance of the forecast factors increases in the forecast for tomorrow and the day after tomorrow. In addition, date, temperature, humidity, and atmospheric pressure all show high importance regardless of time and concentration. Based on the importance of these factors, the LRP_DNN prediction model is developed. As a result, the ACC(accuracy) and POD(probability of detection) are improved by up to 5%, and the FAR(false alarm rate) is improved by up to 9% compared to the previous DNN model.

• Journal of Electrochemical Science and Technology
• /
• 제10권3호
• /
• pp.276-283
• /
• 2019

Nitinol is an alloy of nickel and titanium. Nitinol is one of the shape memory alloys(SMA) that are restored to a remembered form, changing the crystal structure at a given temperature. Because of these unique features, it is used in medical devices, high precision sensors, and aerospace industries. However, the conventional method of mechanical machining for nitinol has problems of thermal and residual stress after processing. Therefore, the electrochemical machining(ECM), which does not produce residual stress and thermal deformation, has emerged as an alternative processing technique. In addition, to replace the existing experimental planning methods, this study used deep neural network(DNN), which is the basis for AI. This method was shown to be more useful than conventional method of design of experiments(RSM, Taguchi, Regression) by applying deep neural network(DNN) to electrochemical machining(ECM) and comparing root mean square errors(RMSE). Comparison with actual experimental values has shown that DNN is a more useful method than conventional method. (DOE - RSM, Taguchi, Regression). The result of the machining was accurately and efficiently predicted by applying electrochemical machining(ECM) and deep neural network(DNN) to the shape memory alloy(SMA), which is a hard-mechinability material.

• Nuclear Engineering and Technology
• /
• 제51권7호
• /
• pp.1784-1790
• /
• 2019

Accurate and consistent characterization of defects in steam generator tubes (SGT) in nuclear power plants is one of the key issues in the field of nondestructive testing since the large number of signals to be analyzed in a time-limited in-service inspection causes a serious problem in practice. This paper presents an effective approach to this difficult task of automated classification of motorized rotating pancake coil (MRPC) eddy current flaw acquired from tube specimens with deliberated defects using deep neural networks (DNN). This approach consists of five steps, namely, the data acquisition using the MRPC probe in the tube, the signal preprocessing to make data more suitable for training DNN, the data augmentation for boosting a training performance, the training of DNN, and finally demonstration of the trained DNN for discriminating the axial and circumferential defects. The high performance obtained in this study shows that DNN is useful for classification of defects in tubes from the MRPC eddy current signals even though the number of signals is very large.

• International Journal of Internet, Broadcasting and Communication
• /
• 제13권1호
• /
• pp.161-167
• /
• 2021

This paper proposes a new personalized HRTF estimation method which is based on a deep neural network (DNN) model and improved elevation reproduction using a notch filter. In the previous study, a DNN model was proposed that estimates the magnitude of HRTF by using anthropometric measurements [1]. However, since this method uses zero-phase without estimating the phase, it causes the internalization (i.e., the inside-the-head localization) of sound when listening the spatial sound. We devise a method to estimate both the magnitude and phase of HRTF based on the DNN model. Personalized HRIR was estimated using the anthropometric measurements including detailed data of the head, torso, shoulders and ears as inputs for the DNN model. After that, the estimated HRIR was filtered with an appropriate notch filter to improve elevation reproduction. In order to evaluate the performance, both of the objective and subjective evaluations are conducted. For the objective evaluation, the root mean square error (RMSE) and the log spectral distance (LSD) between the reference HRTF and the estimated HRTF are measured. For subjective evaluation, the MUSHRA test and preference test are conducted. As a result, the proposed method can make listeners experience more immersive audio than the previous methods.

• 방송공학회논문지
• /
• 제28권1호
• /
• pp.141-144
• /
• 2023

최근에 심층신경망(DNN)을 활용하여 채널 추정, 채널 양자화, 피드백, 프리코딩 과정을 통합하여 모델링하는 연구가 진행되었다. 해당연구는 기존에 이론적으로 어렵던 통합 최적화를 deep learning (DL)을 기반으로 수행하여 기존의 실제 codebook을 활용하는 프리코딩기법에 비해 높은 잠재력이 있음을 보였다. 하지만 기존의 기법은 랜덤하게 정해진 소수의 사용자만을 대상으로하며, 기존의 기법과 다르게 스케줄링이 포함된 환경에는 적응이 어렵다. 따라서 본 연구에서는 심층신경망기반의 프리코딩기법이 활용가능한 스케줄링 방식을 연구하여 기존의 결과와 비교한다.

• 스마트미디어저널
• /
• 제7권1호
• /
• pp.16-23
• /
• 2018

본 연구는 Deep Neural Network(DNN)을 이용하여 광주-기아 챔피언스 필드의 일일 관중 수를 예측함으로써 이를 통해 구단과 관련기업의 마케팅 자료제공 및 구장 내 부대시설의 재고관리에 자료로 쓰임을 목적으로 수행 되었다. 본 연구에서는 Artificial Neural Network(ANN)의 종류인 DNN 모델을 이용하였으며 DNN 모델의 과적합을 막기 위해 Dropout과 Batch normalization 적용한 모델을 바탕으로 총 4종류를 설계하였다. 각각 10개의 DNN을 만들어 예측값의 Root Mean Square Error(RMSE)와 Mean Absolute Percentage Error(MAPE)의 평균값을 낸 모델과 예측값의 평균으로 RMSE와 MAPE를 평가한 Ensemble 모델을 만들었다. 모델의 학습 데이터는 2008년부터 2017년까지의 관중 수 데이터를 수집하여 수집된 데이터의 80%를 무작위로 선정하였으며, 나머지 20%는 테스트 데이터로 사용하였다. 총 100회의 데이터 선정, 모델구성 그리고 학습 및 예측을 한 결과 Ensemble 모델은 DNN 모델의 예측력이 가장 우수하게 나왔으며, 다중선형회귀 모델 대비 RMSE는 15.17%, MAPE는 14.34% 높은 예측력을 보이고 있다.

• 한국항행학회논문지
• /
• 제21권4호
• /
• pp.365-370
• /
• 2017

본 연구는 전력수요 패턴이 다른 평일과 특수일 데이터가 가지는 상관관계를 분석하여, 별도의 데이터 셋을 구축하고, 각 데이터 셋에 적합한 딥 러닝 네트워크를 이용하여, 전력수요예측 오차를 감소하는 방안을 제시하였다. 또한, 기본적인 전력수요 예측요소인 기상요소에 환경요소, 구분요소 등 다양한 예측요소를 추가하여 예측율을 향상하는 방안을 제시하였다. 전체데이터는 시계열 데이터 학습에 적합한 LSTM을 이용하여 전력수요예측을 하였으며, 특수일 데이터는 DNN을 이용하여 전력수요예측을 하였다. 실험결과 기상요소 이외의 예측요소 추가를 통해 예측율이 향상되었다. 전체 데이터 셋의 평균 RMSE는 LSTM이 0.2597이며, DNN이 0.5474로 LSTM이 우수한 예측율을 보였다. 특수일 데이터 셋의 평균 RMSE는 0.2201로 DNN이 LSTM보다 우수한 예측율을 보였다. 또한, 전체 데이터 셋의 LSTM의 MAPE는 2.74 %이며, 특수 일의 MAPE는 3.07 %를 나타냈다.